Nový přístup k detekci neočekávaných hodnot v biosignálech
|
|
- Kamila Macháčková
- před 7 lety
- Počet zobrazení:
Transkript
1 Nový přístup k detekci neočekávaných hodnot v biosignálech Bc. Matouš Cejnek Vedoucí práce: doc. Ing. Ivo Bukovský, Ph.D. Abstrakt Práce navazuje na původní vývoj adaptivní metodiky vyhodnocování komplexních dynamických systémů, zavedené na Ústavu přístrojové a řídící techniky, ČVUT FS. Oproti známým metodám zde rozvíjený přístup je založen na okamžitém vyhodnocování každé nově naměřené hodnoty vzhledem ke konzistenci s dočasnou dynamikou systému a bez nutnosti použití historie signálu. V porovnání s původní vyvíjenou metodikou Adaptivního grafu je zde představovaná metoda zjednodušená a využívá vyhodnocení okamžité chyby predikce spolu s informací o chování systému, která je ukládána v adaptovatelných parametrech kognitivního prediktivního modelu. Potenciál této metody je demonstrován na umělém i reálném signálu EKG. Klíčová slova adaptivní detekce, časové řady, neočekávané stavy, lineární adaptivní prediktor, predikce 1. Úvod Detekce neočekávaných dat v časových řadách je důležitá součást zpracování naměřených biosignálů, kterou se zabývalo už mnoho vědeckých prací a je stále atraktivním tématem. Schopnost odhalit v naměřeném biosignálu perturbace nebo neočekávané hodnoty je důležitou součástí analýz reálných dat. Perturbace v měřených datech může představovat jev, na který je potřeba co nejrychleji v reálném čase upozornit a případně i reagovat. U elektrokardiogramu (EKG) se může jednat například o počátek nebezpečné arytmie, která vyžaduje rychlý lékařský zásah. Z toho vyplývá, že je potřeba rozvíjet nejen algoritmy, jenž jsou schopny tyto jevy s naprostou přesností identifikovat, ale i v rámci možností tyto jevy predikovat s co nejvyšší přesností a co nejdelší dobu předem. V tomto článku představuji nový přístup k detekci neočekávaných vzorků v časových řadách; dobře zavedeným termínem v odborné literatuře je výraz Novelty Detection, který budu nadále používat vzhledem k absenci vhodného českého ekvivalentu. Nový přístup který představuji vychází z metodiky adaptivního vyhodnocování časových řad pomocí Adaptivního grafu [1] [3] (Bukovský 2007) a dále upravenou metodou [4] (Bukovský et al.), které jsou vyvíjeny na ČVUT ve spolupráci se zahraničními pracovišti (Japonsko, Kanada). Originální adaptivní metodika vyhodnocování časových řad byla představena v pracích [1]- [3], s rozšířením o multifraktální ( multiscale ) analýzu v práci [4]. Tyto práce se zabývaly využitím nekonvenčních neuronových jednotek a Adaptivním grafem (Adaptation Plot). To je metoda, která využívá k detekci neočekávaných vzorků změnu adaptovatelných vah modelu a vizualizuje adaptaci neuronových jednotek na signál ve 2-D prostoru. Svojí prací navazuji na metodiku novelty detection představenou v článku [4], jako jednu z dalších možností jak je možné okamžitě detekovat perturbace v naměřených datech v každém novém vzorku zvlášť. Tento způsob je inovativní tom, že zjednodušeně (oproti [1] [4]) využívá okamžitou chybu prediktivního modelu současně s informací uloženou v adaptivních přírůstcích adaptivního prediktivního modelu. To je zajímavý přístup, protože chyba predikce a adaptivní přírůstky vah neuronové jednotky spolu nejsou korelované [4], ale přitom obě společně udávají ucelenou informaci o konzistenci každého měřeného vzorku s dočasnou dynamikou systému. Tyto fakta jsou podle mě důvod,
2 proč tento a podobné modely detekce neočekávaných dat, mají význam být rozvíjeny a zkoumány. 2 Popis navržené metodiky Navržená metodika detekce využívá adaptivního prediktivního modelu. Je zajímavé, že metodika detekce funguje velmi slibně i při použití statického lineárního adaptivního modelu na nelineárních datech s klasickým gradientovým algoritmem adaptace (Gradient Descent, vzorec (1)). Pro demonstraci schopností metody jsem tudíž zvolil lineární prediktor, kdy na počátku simulace vektor adaptovatelných vah modelu w obsahuje náhodná čísla, a jejich adaptace pro výpočet každého dalšího vzorku probíhá dle rovnice (1), T w( k 1) w( k) ( ( k) e( k) x ( k) ) (1) a kde vektor x(k) je vektor vstupů T x( k) 1 yr ( k) yr ( k 1) yr ( k 10) (2) a kde y r jsou měřené hodnoty signálu (časové řady). Jako vstup pro predikci vzorku jsem použil deset předchozích vzorků. Vektor dat jsem před samotnou predikcí standardizoval podle vzorce (3) pro dosažení lepší stability adaptačního algoritmu (2). yr mean( yr) yr (3) 3 std ( yr) Pro další zlepšení stability modelu jsem použil adaptaci rychlosti učení známou v odborné literatuře jako Normalized Least Squares [5]. Tato adaptace probíhá dle vzorce (4) před výpočtem každého dalšího vzorku. Jak je ze vzorce (4), patrné rychlost učení se zmenšuje oproti přednastavené hodnotě v závislosti na vstupu x(k) v každém okamžiku k následovně, (4) 1 x( k) T x( k) kde η je skutečně použitá rychlost učení ve vzorci (1). Jako výpočet detekce neočekávanosti (ND novelty detection) každého nového vzorku v každém čase k jsem použil součin absolutních hodnot chyby e a přírustku i-té váhy neuronu w i s adaptací Gradient Descent podle vzorce ND( k) max e( k) wi ( k) ; i (5) Vzorec (5) tudíž představuje hlavní princip detekce neočekávanosti každého vzorku dat vzhledem k dočasné dynamice systému. Vyhodnocuje současně chybu predikce a očekávanost vzorku prediktivním modelem (tj. velikostí maximálního adaptačního přírůstku vah). Vzorec (5) je hlavní teoretický výsledek této práce. V následující sekci je ukázána funkčnost metody na umělém i reálném signálu EKG (vzorkování 256 Hz). 3 Experimentální analýza Pro demonstrace mé výše popsané metody jsem použil vlastní počítačové simulace vytvořené v programovacím jazyce Python 2.7 [6]. Pro numerické algoritmy jsem použil knihovnu Numpy [7]. Simulace jsem prováděl na běžném kancelářském počítači. Běh simulace s tímto vybavením byl rychlejší než by trvalo měření reálného EKG, což je dobře pro online implementaci. 3.1 Umělé EKG V následujících kapitolách představím využití této nové metody na uměle vytvořeném EKG bez šumu a pak s přidaným šumem a pak na reálném signálu EKG (256 Hz). Šum jsem do signálu přidal, abych ukázal schopnost novelty detection i při menší přesnosti predikce. Význam testování mé metody na umělém signálu, spočívá v možnosti vyzkoušet, jak dobře
3 mnou použitá technika detekce perturbovaných dat funguje, pokud signál neobsahuje žádné komplikované jevy. Uměle vytvořená časová řada EKG, použitá v mém článku, byla vytvořena mnohonásobným zkopírovaním jedné periody naměřeného reálného EKG. Představuje tedy ideální periodický signál. Obr. 1. Novelty detection na uměle vytvořeném EKG bez šumu (detaily viz. Obr. 2) k=1000 k=4000 k=6000 Obr. 2. Detail predikce v oblasti perturbace na umělém EKG bez šumu (modrá signál s perturbací=0.03, zelená predikovaný signál), viz. Obr 1.
4 Délku dat pro naučení neuronu jsem zvolil prvních 2000 vzorků (viz. Obr.1). Pro dostatečné naučení s touto délkou učebních dat stačilo sto epoch. Na obrázku 2. jsou zobrazeny detaily všech jednotlivých perturbací vložených do umělého EKG bez šumu. Velikost vložené perturbace je Jak je vidět na Obr.2, tyto perturbace jsou ve srovnání s amplitudou signálu nepatrné. Neuron na ně reaguje okamžitou snahou se přeučit a v daném místě velmi vzroste chyba predikce i adaptace vah (Obr.1). Návrat k původní přesnosti trvá modelu přibližně 20 dalších vzorků. Na Obr.1 je dále možné pozorovat chyby predikce ve specifických místech periody signálu. Tyto chyby jsou způsobeny omezenými možnostmi jednoduchého a lineárního modelu. Jak bylo možné vidět na Obr.1., tyto chyby nedetekuje novelty detection jako nová data. Na Obr.3. jsou vykresleny grafy simulace pro uměle vytvořené EKG obohacené o šum. Do dat jsem opět vložil tři náhodné perturbace. Jsou umístěny na stejných místech jako v signálu bez šumu. Šum jsem vytvořil pomocí generátoru pseudonáhodných čísel, kterým jsem vygeneroval vektor náhodných čísel v rozsahu 0 až 0,1. Způsob, jakým jsem tento šum do dat přidal, je vyjádřen ve vzorci (5). yr( k) yr( k) rand, kde rand 0, 0.1 a k 1000,4000,6000 (5) Na Obr.3 zobrazujícím vstupní a simulovaný signál, je vidět nepatrný rozdíl v oblasti maxima amplitud. Pro model je zašuměný signál mnohem náročnější na naučení. V grafech chyby a absolutní hodnoty přírůstků adaptovatelných vah (Obr. 3), můžeme pozorovat, že hodnoty už tolik nezávisí na periodicitě signálu. U grafu chyby na Obr. 3 už ani perturbace nejsou tak dobře vidět, jako v grafu chyby predikce dat bez šumu na Obr. 2. V grafu absolutní chyby adaptovatelných vah je lokace perturbací stále dobře rozpoznatelná. Na grafu novelty detection (Obr. 3), jsou lokace perturbací vidět ještě lépe, je zde odfiltrována velká část periodických chyb modelu, které z pohledu detekce neočekávaných dat nemají žádný význam. Obr. 3. Novelty detection na uměle vytvořeném EKG se šumem (detaily viz. Obr.4)
5 k=1000 k=4000 k=6000 Obr. 4. Detail predikce v oblasti perturbace na uměle vytvořeném EKG se šumem (modrá signál, zelená predikovaný signál); metoda funguje pro detekci perturbací při přítomnosti šumu (viz. Obr 3) Na Obr. 4. jsou zobrazeny detaily tří perturbací vložených do umělého signálu doplněného o šum. Jak je z detailů vidět, chyba predikce při zašuměném signálu místy dosahuje vysokých hodnot i mimo oblast vložených perturbací. Adaptivní model opět okamžitě reaguje na vloženou perturbaci a snaží se přeučit. Doba návratu přesnosti k normálu po setkání modelu s perturbací se zde těžko odhaduje, jelikož chyba predikce je velmi silně závislá na šumu. 3.2 Reálné EKG Následně jsem tuto metodu otestoval na skutečně naměřeném EKG. Jako naměřený signál pro můj výzkum použil signál EKG naměřený interním kardiodefibrilátorem s frekvencí 256 Hz (zprostředkovaný v rámci spolupráce s Tohoku University v Japonsku). Tento signál jsem zvolil proto, že obsahuje spontánně začínající arytmii. Tyto data jsou velice vzácná. Pro demonstrace v následujících kapitolách použiji úsek dat obsahující sinusový rytmus i arytmii. V pozdější části bude ukázáno, že technika funguje v oblasti sinusového rytmu i v úseku arytmie. Pro představení mé metody jsem vybral úsek dat, kde se nachází jak část vzorků představující zdravé EKG, tak úsek přechází do ventrikulární arytmie. Jako model predikce jsem zvolil lineární neuron, stejný jako pro predikci umělého EKG. Počet vzorků pro učení je Pro dostatečné naučení neuronu s tímto rozsahem okna dat pro detekci perturbací stačí méně než 500 epoch pro dosažení optimálních výsledků. Větší množství epoch už nezvyšuje přesnost významným způsobem. Jak je vidět na Obr. 5., z naměřených dat je dobře rozeznat, která část dat představuje zdravé EKG a která data s arytmií. Už větší úsek dat před začátkem arytmie (přibližně 1000 vzorků) je možné pozorovat, že signál se trochu mění. Tvar periody
6 vypadá stejně, ale měřitko amplitudy se začíná měnit. V prvním grafu na témže obrázku je také možné pozorovat, že změřený signál je prakticky totožný se signálem predikovaným. Vložené perturbace nejsou v tomto grafu viditelné. Perturbace jsem umístil do vzorků v diskrétním čase 1000, 3000, Na grafu chyby je možné poměrně slušně rozpoznat perturbace. V grafu absolutních hodnot adaptovatelných vah už je lokace perturbací rozpoznatelná jednoznačně. V grafu novelty detection, jsou tyto perturbace výrazné ještě více. A navíc je potlačeno zobrazení periodických chyb v oblasti zdravého EKG i signálu s arytmií. Za pozornost stojí fakt, že potlačení periodické chyby v oblasti přechodu ze zdravého EKG do arytmie, není tak markatní, jako v ostatních částech dat.při pohledu na Obr. 6. můžeme vidět detail vložených perturbací do skutečného EKG. Můžeme zde pozorovat, že naměřený signál je poměrně dost čistý, prakticky neobsahuje šum, který by byl viditelný při tomto měřítku, ale na druhou stranu je signál dynamicky značně komplikovaný. Z pohledu na detail (Obr. 6.) se model predikce zdá být poměrně přesný, ale v některých místech se stále objevuje nepatrná nepřenost. Tyto pro model obtížné místa jsou zejména minima a maxima period naměřeného signálu. Vložené perturbace jsou nepatrné velikosti (0,04 přibližně 2% z amplitudy průměrné periody zdravého EKG). Adaptivní model na ně přesto reaguje okamžitou snahou o přeučení. Návrat k předchozí přesnosti modelu po setkání s perturbací trvá přibližně 5 až 10 následujících vzorků. Obr. 5. Detekce perturbace dat (Novelty detection) na reálném naměřeném EKG
7 k=5000 k=3000 k=1000 Obr. 6. Detail predikce v oblasti perturbace na naměřeném EKG (modrá signál, zelená výstup neuronové jednotky); adaptivní metoda dokáže detekovat velmi malé perturbace reálného EKG v k=5000, 3000, Závěr Jak jsem demonstroval v předchozích kapitolách, potenciál novelty detection pro biomedicínské signály jako například EKG je značný. I když jsem úmyslně zvolil velice jednoduchý model predikce, který není schopný naučit se pořádně predikovat naměřené EKG, detekce neočekávaných vzorků, tak jak jsem jí použil já, dokáže rozeznat rozdíl mezi chybou predikce způsobenou omezeností modelu a chybou predikce způsobenou neočekávanými daty. Tento způsob se také ukázal použitelný na uměle vytvořeném signálu obsahující značný šum, kde model samozřejmě není schopný se šum naučit, ale dokáže ho rozeznat od nového jevu v naměřených datech. I na uměle vytvořených datech bez šumu je vidět, že novelty detection spolehlivě rozezná chybu predikce modelu od nových dat, i při velmi malé perturbaci signálu. Důvod proč tato nová metoda pracuje takto dobře, spočívá ve využití součinu chyby predikce modelu a zároveň detekce maximálního přírůstku adaptovatelných vah modelu (5). Chyba predikce modelu nese informaci o velikosti nepřesnosti, zatímco změna adaptovatelných vah vypovídá o tom, jak moc se model pokusil adaptovat na nová data. Novelty detection tedy detekuje stavy, ve kterých měl model velkou chybu a přitom se snažil přeučit, aby tuto chybu neopakoval. V případě chyby, která je způsobena častými jevy, jež jsou mimo schopnost modelu se naučit, novelty detection neoznačí vzorek vysokou hodnotou, jelikož model měl pouze malou snahu o změnu adaptovatelné váhy. Velkou výhodou tohoto způsobu detekce perturbací v signálu, je jeho malá časová náročnost. Jelikož se jedná pouze o vynásobení hodnot, které byly spočítány už pro predikci dat, nepředstavuje novelty detection prakticky žádné zpomalení výpočtu. Tento fakt je velkou výhodou obzvláště při zpracování signálu v reálném čase, což může být u signálu typu EKG případně jiných biomedicínských signálu klíčová vlastnost.
8 Navíc, jak vidět z výsledků získaných aplikováním novelty detection na skutečné EKG (Obr.5), tato technika detekce neočekávaných dat poměrně výrazně odlišila normální EKG od signálu, kde začíná arytmie. Tyto odlišnosti je možno pozorovat na signálu dříve, než je počátek arytmie evidentní z naměřeného signálu, nebo chyby predikce. První vzorky poukazující, že něco s daty není v pořádku, se objevují přibližně 1000 vzorků před začátkem arytmie samotné. Tento nebo podobný model by při vhodné optimalizaci bylo možné používat k detekci srdeční arytmie a je předmětem dalšího výzkumu. Seznam symbolů µ uživatelem nastavená rychlost učení η adaptovaná rychlost učení k diskrétní čas ND koeficient neočekávanosti (Novelty Detection) w vektor adaptivních vah modelu w i i-tá váha (skalár) e chyba x vektor vstupů modelu yr vektor vstupních dat rand vektor náhodných čísel k diskrétní index času při konstantním vzorkováním Poděkování Vývoj metodiky je podporován grantem SGS12/177/OHK2/3T/12SGS12/177/OHK2/3T/12, Nekonvenční a kognitivní metody zpracování signálů dynamických systémů. Za poskytnutá fyziologická data EKG a cenné konzultace děkujeme kolegům z pracoviště Yoshizawa/Homma Lab., Tohoku University, Japonsko. Seznam použité literatury [1] Bukovsky, I. : Modeling of Complex Dynamic Systems by Nonconventional Artificial Neural Architectures and Adaptive Approach to Evaluation of Chaotic Time Series, Ph.D. THESIS, Faculty of Mechanical Engineering, Czech Technical University in Prague (defended September 7, 2007). [2] Bukovsky, I., Bila, J.: Adaptive Evaluation of Complex Time Series using Nonconventional Neural Units, ICCI 2008, The 7th IEEE International Conference on COGNITIVE INFORMATICS, California, USA, 2008, ISBN [3] Bukovsky, I., Bila. J: Adaptive Evaluation of Complex Dynamic Systems using Low-Dimensional Neural Architectures, in Advances in Cognitive Informatics and Cognitive Computing, Series: Studies in Computational Intelligence, Vol. 323/2010, eds. D. Zhang, Y. Wang, W. Kinsner, Springer-Verlag Berlin Heidelberg, 2010, ISBN: , pp [4] Bukovsky, I., Kinsner, W., Bila, J.: Multiscale Analysis Approach for Novelty Detection in Adaptation Plot,3rd Sensor Signal Processing for Defence 2012 (SSPD 2012), Imperial College London, UK, September 24-27, [5] B. Widrow and S. D. Stearns, Adaptive Signal Processing. Englewood Cliffs, NJ: Prentice-Hall, [6] van Rossum, G., Drake, F. L. (eds): Python Reference Manual, PythonLabs, Virginia, USA, Available at [7] Ascher, D., Dubios, P., F., Hinsen, K., Hugunin, J., Oliphant, T.: Numerical Python, Lawrence Livermore National Laboratory, Livermore, California, USA, 2001.
Využití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VícePOZNÁMKY K PŘEDMĚTU PROJEKT
POZNÁMKY K PŘEDMĚTU PROJEKT Ing. Ivo Bukovský, Ph.D. http://www.fsid.cvut.cz/~bukovsk/ Obsah KOMENTÁŘE K MODELOVÁNÍ A ANALÝZE SYSTÉMŮ...2 ZADÁNÍ...5 1 Bio...5 1.1 Teoretická část (umělá data)...5 1.2 Praktická
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ 1. týden doc. Ing. Renata WAGNEROVÁ, Ph.D. Ostrava 2013 doc. Ing. Renata WAGNEROVÁ, Ph.D. Vysoká škola báňská
VíceStudium závislosti výpočetního času algoritmu GPC prediktivního řízení na volbě typu popisu matematického modelu v regulátoru
1 Portál pre odborné publikovanie ISSN 1338-0087 Studium závislosti výpočetního času algoritmu GPC prediktivního řízení na volbě typu popisu matematického modelu v regulátoru Barot Tomáš Elektrotechnika
VíceQuantization of acoustic low level signals. David Bursík, Miroslav Lukeš
KVANTOVÁNÍ ZVUKOVÝCH SIGNÁLŮ NÍZKÉ ÚROVNĚ Abstrakt Quantization of acoustic low level signals David Bursík, Miroslav Lukeš Při testování kvality A/D převodníků se používají nejrůznější testovací signály.
VíceExperimentální realizace Buquoyovy úlohy
Experimentální realizace Buquoyovy úlohy ČENĚK KODEJŠKA, JAN ŘÍHA Přírodovědecká fakulta Univerzity Palackého, Olomouc Abstrakt Tato práce se zabývá experimentální realizací Buquoyovy úlohy. Jedná se o
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-03-21 16:45 Obsah
VíceKTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni
KTE/TEVS - Rychlá Fourierova transformace Pavel Karban Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni 10.11.011 Outline 1 Motivace FT Fourierova transformace
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceVYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ
VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ Markéta Mazálková Katedra komunikačních a informačních systémů Fakulta vojenských technologií,
Vícevzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291
Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceSemestrální projekt. Vyhodnocení přesnosti sebelokalizace VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií Semestrální projekt Vyhodnocení přesnosti sebelokalizace Vedoucí práce: Ing. Tomáš Jílek Vypracovali: Michaela Homzová,
VíceRozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005
Rozpoznávání písmen Jiří Šejnoha Rudolf Kadlec (c) 2005 Osnova Motivace Popis problému Povaha dat Neuronová síť Architektura Výsledky Zhodnocení a závěr Popis problému Jedná se o praktický problém, kdy
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička školitel : Doc. Ing. Ivan Mazůrek, CSc. Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 12.listopadu
VíceFyzikální laboratoř. Kamil Mudruňka. Gymnázium, Pardubice, Dašická /8
Středoškolská technika 2015 Setkání a prezentace prací středoškolských studentů na ČVUT Fyzikální laboratoř Kamil Mudruňka Gymnázium, Pardubice, Dašická 1083 1/8 O projektu Cílem projektu bylo vytvořit
VíceADA Semestrální práce. Harmonické modelování signálů
České vysoké učení technické v Praze ADA Semestrální práce Harmonické modelování signálů Jiří Kořínek 31.12.2005 1. Zadání Proveďte rozklad signálu do harmonických komponent (řeč, hudba). Syntetizujte
VíceNESTABILITY VYBRANÝCH SYSTÉMŮ. Úvod. Vzpěr prutu. Petr Frantík 1
NESTABILITY VYBRANÝCH SYSTÉMŮ Petr Frantík 1 Úvod Úloha pokritického vzpěru přímého prutu je řešena dynamickou metodou. Prut se statickým zatížením je modelován jako nelineární disipativní dynamický systém.
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceIdentifikace a řízení nelineárního systému pomocí Hammersteinova modelu
1 Portál pre odborné publikovanie ISSN 1338-0087 Identifikace a řízení nelineárního systému pomocí Hammersteinova modelu Brázdil Michal Elektrotechnika 25.04.2011 V praxi se často setkáváme s procesy,
VíceOBHAJOBA DIPLOMOVÉ PRÁCE
OBHAJOBA DIPLOMOVÉ PRÁCE Lukáš Houser FS ČVUT v Praze Ústav mechaniky, biomechaniky a mechatroniky 28. srpen 2015 Simulační modely tlumičů a jejich identifikace Autor: Studijní obor: Lukáš Houser Mechatronika
VíceNávod k použití programu pro výpočet dynamické odezvy spojitého nosníku
Návod k použití programu pro výpočet dynamické odezvy spojitého nosníku Obsah. Úvod.... Popis řešené problematiky..... Konstrukce... 3. Výpočet... 3.. Prohlížení výsledků... 4 4. Dodatky... 6 4.. Newmarkova
VíceAdaptivní model kardiovaskulárního systému
Adaptivní model kardiovaskulárního systému NIDays 2013 7.11.2013, Praha Fakulta elektrotechnická ČVUT v Praze Matouš Pokorný Obsah prezentace Obsah prezentace Celkem 14 stran, odhadovaný čas prezentace
VíceSummer Workshop of Applied Mechanics. Závislost úhlu rozevření mužské aorty na věku a lokalizaci
Summer Workshop of Applied Mechanics June 2002 Department of Mechanics Faculty of Mechanical Engineering Czech Technical University in Prague Závislost úhlu rozevření mužské aorty na věku a lokalizaci
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VíceVyužití přímé inverzní metody pro řízení reálných systémů
XXVI. ASR '2001 Seminar, Instruments and Control, Ostrava, April 26-27, 2001 Paper 70 Využití přímé inverzní metody pro řízení reálných systémů ŠKUTOVÁ, Jolana Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17.
VíceCW01 - Teorie měření a regulace
Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2014/2015 tm-ch-spec. 1.p 2014 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření a
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceRosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
VíceNumerické řešení proudění stupněm experimentální vzduchové turbíny a budících sil na lopatky
Konference ANSYS 2009 Numerické řešení proudění stupněm experimentální vzduchové turbíny a budících sil na lopatky J. Štěch Západočeská univerzita v Plzni, Katedra energetických strojů a zařízení jstech@kke.zcu.cz
VíceZKUŠENOSTI Z PROVOZU PREDIKTORU SPOTŘEBY TEPELNÉ ENERGIE J. Šípal Fakulta výrobních technologií a managementu; Univerzita Jana Evangelisty Purkyně
ZKUŠENOSTI Z PROVOZU PREDIKTORU SPOTŘEBY TEPELNÉ ENERGIE J. Šípal Fakulta výrobních technologií a managementu; Univerzita Jana Evangelisty Purkyně Abstrakt Příspěvek seznamuje čtenáře s praktickým využíváním
Vícefluktuace jak dob trvání po sobě jdoucích srdečních cyklů, tak hodnot Heart Rate Variability) je jev, který
BIOLOGICKÉ A LÉKAŘSKÉ SIGNÁLY VI. VARIABILITA SRDEČNÍHO RYTMU VARIABILITA SRDEČNÍHO RYTMU VARIABILITA SRDEČNÍHO RYTMU, tj. fluktuace jak dob trvání po sobě jdoucích srdečních cyklů, tak hodnot okamžité
VíceVYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni. Abstrakt
VYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni Abstrakt Současný trend snižování počtu kontaktních hodin ve výuce nutí vyučující
VícePřevodní charakteristiku sensoru popisuje následující vzorec: C(RH)=C 76 * [1 + HK * (RH 76) + K] (1.1)
REALISTICKÉ MĚŘENÍ RELATIVNÍ VLHKOSTI PLYNŮ 1.1 Úvod Kapacitní polymerní sensory relativní vlhkosti jsou principielně teplotně závislé. Kapacita sensoru se mění nejen při změně relativní vlhkosti plynného
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceVÝVOJ NOVÉ GENERACE ZAŘÍZENÍ S POKROČILOU DIAGNOSTIKOU PRO STANOVENÍ KONTAKTNÍ DEGRADACE
VÝVOJ NOVÉ GENERACE ZAŘÍZENÍ S POKROČILOU DIAGNOSTIKOU PRO STANOVENÍ KONTAKTNÍ DEGRADACE Jiří Dvořáček Prezentace k obhajobě doktorské dizertační práce Institute of Machine and Industrial Design Faculty
VíceIng. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D.
OPTIMALIZACE BRAMOVÉHO PLYNULÉHO ODLÉVÁNÍ OCELI ZA POMOCI NUMERICKÉHO MODELU TEPLOTNÍHO POLE Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D. Fakulta strojního inženýrství
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-02-28 12:20 Obsah
VíceJan Škoda. 29. listopadu 2013
Matematicko-fyzikální fakulta Univerzity Karlovy v Praze 29. listopadu 2013 Náplň přednášky state estimation Naivní přístup KF Matematický model Problém podmínky linearity EKF. & ukázka Co se nedozvíte:
VíceṠystémy a řízení. Helikoptéra Petr Česák
Ṡystémy a řízení Helikoptéra 2.......... Petr Česák Letní semestr 2001/2002 . Helikoptéra 2 Identifikace a řízení modelu ZADÁNÍ Identifikujte laboratorní model vodárny č. 2.; navrhněte a odzkoušejte vhodné
VíceStředoškolská technika SCI-Lab
Středoškolská technika 2016 Setkání a prezentace prací středoškolských studentů na ČVUT SCI-Lab Kamil Mudruňka Gymnázium Dašická 1083 Dašická 1083, Pardubice O projektu SCI-Lab je program napsaný v jazyce
VíceOPTIMALIZACE METODY ANODICKÉ ROZPOUŠTĚCÍ VOLTAMETRIE PRO ANALÝZU BIOLOGICKÝCH VZORKŮ S OBSAHEM RTUTI
Středoškolská technika 212 Setkání a prezentace prací středoškolských studentů na ČVUT OPTIMALIZACE METODY ANODICKÉ ROZPOUŠTĚCÍ VOLTAMETRIE PRO ANALÝZU BIOLOGICKÝCH VZORKŮ S OBSAHEM RTUTI Eliška Marková
VíceO MOŽNOSTI ADJUSTACE IMISNÍCH KONCENTRACÍ NA METEOROLOGICKÉ PODMÍNKY. RNDr. Josef Keder, CSc.
O MOŽNOSTI ADJUSTACE IMISNÍCH KONCENTRACÍ NA METEOROLOGICKÉ PODMÍNKY RNDr. Josef Keder, CSc. Zadání úlohy V souladu s požadavkem zadavatele (MŽP) bude zpracována metodika, umožňující oprostit průměrné
VíceIMPLEMENTACE AUTOMATIZOVANÉHO MĚŘENÍ HRTF V MATLABU
IMPLEMENTACE AUTOMATIZOVANÉHO MĚŘENÍ HRTF V MATLABU O. Šupka, F. Rund, J. Bouše Katedra radioelektroniky, fakulta elektrotechnická České vysoké učení technické v Praze, Česká republika Abstrakt Tento příspěvek
Víceobhajoba diplomové práce
České vysoké učení technické v Praze, Fakulta strojní, Ústav mechaniky, biomechaniky a mechatroniky obhajoba diplomové práce v Praze, srpen 2014 autor: vedoucí: Ing. Pavel Steinbauer, Ph.D. Modální zkouška
VíceMotivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky
A0M38SPP - Signálové procesory v praxi - přednáška 7 2 Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky (momenty) Matematická definice korelační
VíceTREND KVADRATICKÉHO ADAPTIVNÍHO MODELU PRO AUTOMATICKÉ ŘÍZENÍ
REND KVADRAICKÉHO ADAPIVNÍHO MODELU PRO AUOMAICKÉ ŘÍZENÍ rend of Quadratic Adaptive Model for Automatic Control Ivo Bukovský Abstrakt: Článek vyzdvihuje zajímavé a přitom známé konvexní vlastnosti kvadratického
VíceVýukové texty. pro předmět. Automatické řízení výrobní techniky (KKS/ARVT) na téma
Výukové texty pro předmět Automatické řízení výrobní techniky (KKS/ARVT) na téma Podklady k uspořádání řídícím systémům i řízení manipulátorů a robotů Autor: Doc. Ing. Josef Formánek, Ph.D. Podklady k
VíceZákladní nastavení parametrů měničů Fuji Electric řady: FRENIC-Mini (C2) FRENIC-Multi (E1) FRENIC-Ace (E2) FRENIC-MEGA (G1)
Základní nastavení parametrů měničů Fuji Electric řady: FRENIC-Mini (C2) FRENIC-Multi (E1) FRENIC-Ace (E2) FRENIC-MEGA (G1) V tomto dokumentu je popsáno pouze základní silové nastavení měničů, přizpůsobení
VíceNávrh frekvenčního filtru
Návrh frekvenčního filtru Vypracoval: Martin Dlouhý, Petr Salajka 25. 9 2010 1 1 Zadání 1. Navrhněte co nejjednodušší přenosovou funkci frekvenčního pásmového filtru Dolní propusti typu Bessel, která bude
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY. MRBT Robotika
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘÍCÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
VícePostranními kanály k tajemství čipových karet
SIX Research Centre Vysoké učení technické v Brně martinasek@feec.vutbr.cz crypto.utko.feec.vutbr.cz Kryptoanaly za postrannı mi kana ly Proudova analy za Pr edstavenı U vod Crypto Research Group, Vysoke
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceBiofyzikální ústav LF MU Brno. jarní semestr 2011
pro obor Ošetřovatelská péče v gerontologii Biofyzikální ústav LF MU Brno jarní semestr 2011 Obsah letmý dotyk teorie systémů klasifikace a analýza biosignálů Co je signál? Co je biosignál? Co si počít
VíceKATEDRA ELEKTRICKÝCH MĚŘENÍ
VŠB-TU Ostrava Datum měření: Datum odevzdání/hodnocení: KATEDRA ELEKTRICKÝCH MĚŘENÍ 9. VIRTUÁLNÍ MĚŘICÍ PŘÍSTROJE Fakulta elektrotechniky a informatiky Jména, studijní skupiny: Cíl měření: Seznámit se
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 26. června 2013, FSI VUT v Brně, Česká republika
VícePavol Bukviš 1, Pavel Fiala 2
MODEL MIKROVLNNÉHO VYSOUŠEČE OLEJE Pavol Bukviš 1, Pavel Fiala 2 ANOTACE Příspěvek přináší výsledky numerického modelování při návrhu zařízení pro úpravy transformátorového oleje. Zařízení pracuje v oblasti
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceAsociativní sítě (paměti) Asociace známého vstupního vzoru s daným výstupním vzorem. Typická funkce 1 / 44
Asociativní paměti Asociativní sítě (paměti) Cíl učení Asociace známého vstupního vzoru s daným výstupním vzorem Okoĺı známého vstupního vzoru x by se mělo také zobrazit na výstup y odpovídající x správný
VíceModelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří
Univerzita J. E. Purkyně, Fakulta životního prostředí Registrační číslo projektu: MMR WD-44-07-1 Modelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří Závěrečná
VícePROUDĚNÍ REGULAČNÍ MEZISTĚNOU TURBÍNOVÉHO STUPNĚ PŘI ROTACI OBĚŽNÉHO LOPATKOVÁNÍ. Jaroslav Štěch
SOUTĚŽNÍ PŘEHLÍDKA STUDENTSKÝCH A DOKTORSKÝCH PRACÍ FST 2007 PROUDĚNÍ REGULAČNÍ MEZISTĚNOU TURBÍNOVÉHO STUPNĚ PŘI ROTACI OBĚŽNÉHO LOPATKOVÁNÍ Jaroslav Štěch ABSTRAKT Úkolem bylo zjistit numerickou CFD
VíceTeoretický úvod: [%] (1)
Vyšší odborná škola a Střední průmyslová škola elektrotechnická Božetěchova 3, Olomouc Laboratoře elektrotechnických měření Název úlohy Číslo úlohy ZESILOVAČ OSCILÁTOR 101-4R Zadání 1. Podle přípravku
Více1 Zadání. 2 Teoretický úvod. 7. Využití laboratorních přístrojů v elektrotechnické praxi
1 7. Využití laboratorních přístrojů v elektrotechnické praxi 1 Zadání Zapojte pracoviště podle pokynů v pracovním postupu. Seznamte se s ovládáním přístrojů na pracovišti a postupně realizujte jednotlivé
Více1. Úvod Jednou z! "# $ posledn % & $$' ( )(( (*+ % ( (* $ $%, (* ( (* obvodech pro elektronickou regulaci.*' (( $ /
Praze 1. Úvod Jednou z! "# $ posledn % & $$' ( )(( (*+ % ( (* $ $%, (* ( (* obvodech pro elektronickou regulaci ' (% tramvajích a trolejbusech s tyristorovou výstrojí nebo v pohonech '$ (-- %.*' (( $ /
VíceSwarm Intelligence. Moderní metody optimalizace 1
Swarm Intelligence http://pixdaus.com/single.php?id=168307 Moderní metody optimalizace 1 Swarm Intelligence Inteligence hejna algoritmy inspirované chováním skupin ptáků, hmyzu, ryb apod. Particle Swarm
VíceNastavení parametrů PID a PSD regulátorů
Fakulta elektrotechniky a informatiky Univerzita Pardubice Nastavení parametrů PID a PSD regulátorů Semestrální práce z předmětu Teorie řídicích systémů Jméno: Jiří Paar Datum: 9. 1. 2010 Zadání Je dána
VíceMezilaboratorní porovnání při vibračním zkoušení
ČSN EN ISO/IEC 17025 ČSN EN ISO/IEC 17043 ISO/IEC Pokyn 43-1 ISO/IEC Pokyn 43-2 ČIA MPA 30-03-12 Ing. Jaromír KEJVAL, Ph.D. SWELL, a.s., Příčná 2071, 508 01 Hořice, Czech Republic e-mail: jaromir.kejval@swell.cz,
VíceANALÝZA SIGNÁLŮ SPOJITÉ AKUSTICKÉ EMISE
ANALÝZA SIGNÁLŮ SPOJITÉ AKUSTICKÉ EMISE Milan Chlada, Zdeněk Převorovský Ústav termomechaniky AV ČR, v. v. i., NDT laboratoř, Dolejškova 142/, 182 Praha 8 chlada@it.cas.cz, zp@it.cas.cz, tel.+42 2663144
VíceVstupní signál protne zvolenou úroveň. Na základě získaných údajů se dá spočítat perioda signálu a kmitočet. Obrázek č.2
2. Vzorkovací metoda Určení kmitočtu z vzorkovaného průběhu. Tato metoda založena na pozorování vstupního signálu pomocí osciloskopu a nastavení určité úrovně, pro zjednodušování považujeme úroveň nastavenou
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceNávrh a implementace algoritmů pro adaptivní řízení průmyslových robotů
Návrh a implementace algoritmů pro adaptivní řízení průmyslových robotů Design and implementation of algorithms for adaptive control of stationary robots Marcel Vytečka 1, Karel Zídek 2 Abstrakt Článek
VíceSrovnání PID regulace a anisochronního řízení na PLC Tecomat Foxtrot
Srovnání PID regulace a anisochronního řízení na PLC Tecomat Foxtrot Martin Hunčovský 1,*, Petr Siegelr 1,* 1 ČVUT v Praze, Fakulta strojní, Ústav přístrojové a řídící techniky, Technická 4, 166 07 Praha
VíceOptické komunikace II Optické útlumové články
Fakulta elektrotechniky a informatiky, VŠB-TU Ostrava Optické komunikace II Optické útlumové články Datum: 13.4.2014 Autor: Tomáš Škařupa, LOGIN SKA0092 Kontakt: ska0092@vsb.cz Předmět: Optoelektronika
VíceAnalýza reziduí gyroskopu
Analýza reziduí gyroskopu Petr Šimeček Cílem studie bylo analyzovat přesnost tří neznámých gyroskopů, jež pro účely této studie budeme nazývat Gyroskop 1, Gyroskop 2 a Gyroskop 3. U prvních dvou gyroskopů
VíceCitlivost kořenů polynomů
Citlivost kořenů polynomů Michal Šmerek Univerzita obrany v Brně, Fakulta ekonomiky a managementu, Katedra ekonometrie Abstrakt Článek se zabývá studiem citlivosti kořenů na malou změnu polynomu. Je všeobecně
VíceThe force identification from engine speed
XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, 2003 156 The force identification from engine speed Určení síly z otáček motoru KOČÍ, Petr Ing., Ph.D., Katedra ATŘ-352, VŠB-TU Ostrava,
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení č technické v Brně ě 29. června 2011, FSI VUT v Brně, Česká republika
VíceMetodika generování a ladění modelů neuronových sítí
Metodika generování a ladění modelů neuronových sítí Martin Moštěk Katedra měřicí a řídicí techniky, FEI, VŠB Technická univerzita Ostrava 17. listopadu 15, 708 33, Ostrava-Poruba martin.mostek@vsb.cz
VíceVYUŽITÍ SNÍMACÍCH SYSTÉMU V PRŮMYSLOVÉ AUTOMATIZACI SVOČ FST 2019
VYUŽITÍ SNÍMACÍCH SYSTÉMU V PRŮMYSLOVÉ AUTOMATIZACI SVOČ FST 2019 Bc. Michael Froněk Západočeská univerzita v Plzni Univerzitní 8, 306 14 Plzeň Česká republika ABSTRAKT Práce se zabývá řešením problému
VíceMotory s potlačenou funkcí generátoru
1/8 Motory s potlačenou funkcí generátoru Ing. Ladislav Kopecký, červen 218 Každý motor funguje také jako generátor a každý generátor funguje zároveň jako motor. Tento fakt je příčinou, proč konvenční
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceZvýrazňování řeči pomocí vícekanálového zpracování
Zvýrazňování řeči pomocí vícekanálového zpracování Václav Bolom, Pavel Sovka Katedra teorie obvodů Fakulta elektrotechnická České vysoké učení technické v Praze Technická 2, 66 27 Praha 6 Abstrakt Problém
VíceKNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ
KNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ Radim Pišan, František Gazdoš Fakulta aplikované informatiky, Univerzita Tomáše Bati ve Zlíně Nad stráněmi 45, 760 05 Zlín Abstrakt V článku je představena knihovna
VíceDynamické chyby interpolace. Chyby způsobené pasivními odpory. Princip jejich kompenzace.
Dynamické chyby interpolace. Chyby způsobené pasivními odpory. Princip jejich kompenzace. 10.12.2014 Obsah prezentace Chyby při přechodu kvadrantů vlivem pasivních odporů Kompenzace kvadrantových chyb
Více20. května Abstrakt V následujícím dokumentu je popsán způsob jakým analyzovat problém. výstřelu zasáhnout bod na zemi v definované vzdálenosti.
Ukázková semestrální práce z předmětu VSME Tomáš Kroupa 20. května 2014 Abstrakt V následujícím dokumentu je popsán způsob jakým analyzovat problém lučištníka, který má při pevně daném natažení luku jen
VíceKomplexní obálka pásmového signálu
České vysoké učení technické v Praze, Fakulta elektrotechnická X37SGS Signály a systémy Komplexní obálka pásmového signálu Daniel Tureček 8.11.8 1 Úkol měření Nalezněte vzorky komplexní obálky pásmového
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
VícePARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ
PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ Ing. David KUDLÁČEK, Katedra stavební mechaniky, Fakulta stavební, VŠB TUO, Ludvíka Podéště 1875, 708 33 Ostrava Poruba, tel.: 59
VíceTSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY
TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceIMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně
IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně Simulátor označujeme jako kredibilní v případě, že: byla úspěšně završena fáze verifikace simulátoru se podařilo přesvědčit zadavatele simulačního
VíceDefektoskopie. 1 Teoretický úvod. Cíl cvičení: Detekce měřicího stavu a lokalizace objektu
Defektoskopie Cíl cvičení: Detekce měřicího stavu a lokalizace objektu 1 Teoretický úvod Defektoskopie tvoří v počítačovém vidění oblast zpracování snímků, jejímž úkolem je lokalizovat výrobky a detekovat
Vícepřesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod Měření Pb v polyethylenu 36 různými laboratořemi 0,47 0 ± 0,02 1 µmol.g -1 tj. 97,4 ± 4,3 µg.g -1 Měření
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
Více